基于大数据画像的铁塔制造企业供应链研究
陈秀娟 张元新 王孔森 吕双辉 张丽敏
[摘 要] 铁塔制造企业供应链研究对电网企业选择优质铁塔供应商具有重要意义。文章通过调查研究，总结铁塔制造企业供应链运作模式，并基于大数据画像理论对输电线路鐵塔供应商进行大数据画像分析，从多个维度、不同指标，赋予供应商不同标签，建立供应商大数据画像，为电网企业采购提供参考。
[关键词] 供应链研究；大数据画像理论；电网企业
中图分类号：F325.2 文献标识码：A
随着能源互联网的不断发展，电网基础设施建设规模不断扩大，电网特别是电网企业对输电线路铁塔设备的需求量不断增加[1]。铁塔制造企业供应链研究成为电网企业提升物资采购与供应质量的重要支撑，在大数据不断深化应用背景下，对供应商进行大数据画像评价是深化供应商群体了解、维护优质供应链的重要保证[2]。目前，电网企业对铁塔制造企业供应链的研究处于理论研究阶段。
在此背景下，如何将电网企业供应链延伸到上游供应商，深入研究钢材市场，了解铁塔制造企业的供应链管理现状，确定其从原材料、零部件采购到最终产品交付的供应链运作模式，对于企业选择优质铁塔供应商具有重要意义。本文研究铁塔制造企业供应链现状，结合大数据画像理论从多个维度、不同指标，赋予供应商不同标签，建立输电线路铁塔供应商大数据画像，为电网企业采购提供参考。
一、理论与方法
大数据画像理论。大数据画像即对铁塔供应商进行信息标签化处理，通过对供应商基础数据的收集，分析供应商的社会属性、供货行为等主要信息，最后以标签化的形式抽象出一家供应商的商业全貌[3-4]。大数据画像一般分为以下五个步骤。
（一）数据收集
采集不同系统中的数据，并进行分类梳理实现基础数据的全类别应用和互联互通，为用户画像做数据准备。一般来说，基础数据可划分为静态数据、动态数据两大类。
（二）数据清洗
对第一阶段收集上来的基础数据进行清洗，即针对原始数据中存在空缺、噪声、不一致等数据问题进行清洗和特殊化加工处理，保证数据分析与挖掘的准确性。
（三）用户建模
该阶段是对清洗后的数据进行处理和行为建模，以抽象出不同供应商的标签，该阶段主要以大概率事件为主进行行为建模，尽可能排除用户的偶然行为。
（四）标签挖掘
利用机器学习、聚类分析等人工智能技术，通过系统平台来对供应商进行标签化处理和加工，借助系统平台通过对历史数据的训练和学习，挖掘供应商的标签。
（五）大数据可视化
借助大数据可视化技术，对数据标签进行图形或表格的展示，以多维方式呈现群体或个人的供应商画像。
二、铁塔制造企业供应链结构与运作模式
供应链的结构要素包括供应商、制造企业、分销企业、零售企业、消费者。铁塔制造企业即铁塔零售企业，运作模式主要包括原材料采购方式、原材料采购提前期、生产方式及生产时间、库存周转时间四大要素。
（一）原材料采购方式
铁塔制造企业原材料采购方式包括集中采购、授权采购、集中比选、随下随采、协议采购、定期采购、库存备料采购等方式。半数以上铁塔制造企业选择协议采购和定期采购的方式进行原材料采购，少数企业采用集中采购和授权采购方式进行采购。根据调研结果，选择协议采购的企业占比达到85%，即大多数铁塔制造企业选择协议采购方式进行原材料采购。在协议采购中，采购双方可以一对一进行协议供货采购，也可以一对多、多对多采购，以形成规模效应、节约成本。
（二）原材料采购提前期
约50%企业原材料采购提前期在20天以上，27%企业在6-10天之间，7%企业原材料采购期在1-5天之间，由于采购提前期在企业的运营周期中占有很大比例，因此压缩采购提前期对于压缩企业整个的运营周期具有重要意义。
（三）生产方式及生产时间
调研中，所有铁塔制造企业均为订单式生产。订单式生产符合铁塔制造企业本身的生产属性，即按用户订单进行的生产。用户可能对产品提出差异化要求，经过协商和谈判，以协议或合同形式确认对产品性能、质量、数量和交货期的要求，然后组织设计和制造。在生产时间上，约38%铁塔制造企业在收到订单后的17-31天之间开始安排生产；31%企业在收到订单后11-16天之间开始安排生产。总体来看，大多数的铁塔制造企业在收到订单后18天左右开始安排生产任务进行生产。
（四）库存周转率
调研发现，约39%的企业库存周转率在95%以上；有77%的企业库存周转率在85%以上。大多数铁塔制造企业资金周转呈良好态势，存货周转率快，存货量适度，存货积压和价值损失的风险相对降低，存货所占资金使用效益高，企业变现能力和经营能力强。综上，总结铁塔制造企业的供应链基本运作模式如图1所示。
以铁塔制造企业为整个供应链的中心，下游终端用户主要为电网企业，根据工程建设实际需求，以集中招标方式对铁塔进行采购。铁塔制造企业中标后，主要通过协议采购方式向上游原材料供应商购买铁塔原材料，并严格按照用户要求对铁塔进行设计，以订单式生产方式安排企业生产任务，按照订单数量完成生产任务，最终完成铁塔物资供应。
三、大数据画像应用
电网企业主要通过集中招标方式对输电线路铁塔进行物资采购，基于大数据画像理论，深化铁塔供应链企业研究，通过整合处理供应商投标信息（2015年-2020年投标数据）对输电线路铁塔供应商进行画像分析[5]，具体步骤如下。
（一）数据收集
本文基于铁塔供应商种类多、分布广、差异大等业务现状，从供应商基本信息、实时投标行为、市场动态三个方面进行基础信息收集，其中，静态数据包括：企业规模、生产情况、地理位置；动态数据包括：投标类型、投标情况、中标情况、价格趋势、市场供给与需求变化。
（二）数据清洗
主要对行报价信息基础数据表中异常值进行手工清洗，保证数据准确性。异常值主要为报价、中标量等与其他数据数量级不同的数据。依据行报价信息基础数据表汇总了四个产品类型（角钢塔、钢管塔、钢管杆、构支架）各年各批次中标量、投标量、中标次数、投标次数、含税报价、地理位置等信息。
（三）用户建模
对上阶段清洗过的数据进行分类处理，将所有数据按照塔材类型进行划分，并对数据进行描述性分析，抽象出铁塔供应商标签。
（四）标签挖掘
静态数据标签赋予：选取企业规模、地理位置与资产情况三个指标。按国家统计局在2011年发布的《统计上大中小微型企业划分办法》有关标准和规定划分铁塔制造企业的企业规模；地区划分参考电网企业划分的依据。动态数据标签赋予：选取投标量、中标量、投标次数、中标次数、报价、专利水平六个指标。对实时投标行为的分类主要采用ABC分类法。ABC分类法是根据事物在技术、经济方面的主要特征，進行分类排列，从而实现区别对待区别管理的一种方法。ABC法则是帕累托80/20法则衍生出来的一种法则。所不同的是，80/20法则强调的是抓住关键，ABC法则强调的是分清主次，并将管理对象划分为A、B、C三类。本文对分析对象在不同维度下进行排序，排序位于前20%的对象划分为A类，排序位于20%～50%的对象划分为B类，排序位于后50%的对象划分为C类，报价部分则主要依据四分位数间距进行分组。利用云计算、大数据、分类汇总和数据透视，通过系统平台来进行标签的加工和计算。
（五）大数据可视化
一是依据各指标历年评价结果的汇总，呈现最终画像结果；二是结合BCG模型，利用四象限图展示三个维度下（中标量、投标量与地理位置；中标次数、投标次数与地理位置）的群体画像结果。
（六）群体画像结果
群体画像分析以地区分布为类别，分析各地区供应商实时投标行为共同特点。分析过程采用BCG模型进行分析，以发现具有不同特点的企业。
波士顿矩阵（BCG Matrix），又称市场增长率-相对市场份额矩阵、波士顿咨询集团法、四象限分析法、产品系列结构管理法等。本文考虑企业地理位置、投标量、中标量，横坐标轴为投标量，纵坐标轴为中标量。投标量大且中标量大的企业具有较强的竞争力，实力较强；如果仅有较高的投标量，而没有相应的中标量，则说明企业尚无足够实力。相反，投标量较大，而中标量较小也预示着企业存在处于下滑期的可能性。
通过以上两个维度对企业进行标签化，会出现四种不同性质的企业类型：
（1）投标量大和中标量大“双高”的企业群（明星类企业）；
（2）投标量小和中标量小“双低”的企业群（瘦狗类企业）；
（3）投标量大、中标量小的企业群（问题类企业）；
（4）投标量小、中标量大的企业群（金牛类企业）。
在绘制角钢塔项目四象限图时考虑到由于投标量、中标量数值跨度较大，存在点的重叠现象，所以选择运用排序来体现各企业的位置。以2019年群体画像为例，结果如图2所示。
群体画像结果表明，投标量大，中标量小的问题企业群，企业数量较少。华东地区企业和西南地区企业大多分布在投标量大、中标量大的明星企业群；华北地区企业呈现出投标量和中标量“双高”或“双低”的特征，其中投标量大的企业较多分布在明星企业群，投标量小的企业较多分布在瘦狗类企业群；东北地区企业大多投标量较小，部分企业投标量虽然较小，但中标量较大，属于金牛企业。
企业可借鉴以上分析思路和方法，对供应商群体进行不同维度和数据指标的画像，加深对供应商群体的研究和理解，并针对不同类别供应商群体予以关注，提升物资采购或供应商管理水平，促进双方更加有效高质量合作。
四、结语
本文通过调查研究，总结铁塔制造企业供应链运作模式，并结合大数据画像理论，更好地利用在采购过程中积累的大量供应商数据，从多个维度赋予铁塔供应商不同标签，探究铁塔制造企业在空间和时间上的分布，为企业应用数据化方式开展供应商大数据画像分析提供了理论和方法上的有效支撑，有助于企业提高对不同类型供应商的认知及潜在需求挖掘，促进企业更好地开展供应商管理，并择优选择供应商，促进供需双方合作更加高效。
参考文献：
[1]陈灵欣.国家电网——建设现代智慧供应链推动行业高质量发展[J].招标采购管理，2020（9）：17-19.
[2]罗今明.电网企业物资供应链价值创造及其特征研究[J].南方论刊，2020（9）：22-24+39.
[3]张坤，谢笑.数描客体在数据分析中的应用研究[J].情报资料工作，2020，41（4）：93-103.
[4]余文辉，吴争荣.基于电力大数据的客户立体画像构建及应用研究[J].计算技术与自动化，2020，39（2）：164-169.
[5]滕明勇，蒋福佑，王明明，等.电网企业适应大数据发展的转型策略研究[J].决策咨询.2020（1）：12-15.
